Trans-dimensional gravity and magnetic joint inversion for 3-D earth models
Notice bibliographique
Résumé
SUMMARY Studying 3-D subsurface structure based on spatial data is an important application for geophysical inversions. However, major limitations exist for conventional regularized inversion when applied to potential-field data. For example, global regularization parameters can mask model features that may be important for interpretation. In addition, 3-D inversions are typically based on data acquired in 2-D at the Earth’s surface. Such data may contain significant spatial error correlations in 2-D due to the choice of spatial sampling, acquisition geometry, ambient noise and model assumptions. These correlations can cause trade-offs with spatial resolution and should be accounted for. However, correlations are often ignored, particularly 2-D correlations in spatial data, such as potential field data recorded on the Earth’s surface. Non-linear Bayesian methods can address these shortcomings and we present a new hierarchical model for 2-D correlated errors. Nonetheless, limitations also exist. For example, non-linear Bayesian estimation requires numerical integration with a considerable computational burden to collect a posterior ensemble of models. For 3-D applications, this cost can be prohibitive. This paper presents a non-linear Bayesian inversion with trans-dimensional (trans-D) partitioning of space by a hierarchy of Voronoi nodes and planes (VP), and trans-D estimation of the data noise covariance matrix. The addition of planes permits the introduction of prior information which reduces non-uniqueness. The covariance matrix estimation uses a trans-D autoregressive (AR) noise model to quantify correlated noise on 2-D potential-field data. We address computational cost by wavelet compression in the forward problem and by basing susceptibility on an empirical relationship with density contrast. The method is applied to simulated data and field data from off-shore Abu Dhabi. With simulated data, we demonstrate that subsurface structures are well-resolved with the trans-D model that applies hierarchical VP partitioning. In addition, the model locally adapts based on data information without requiring regularization. The method is also successful in reducing 2-D error correlation via trans-D AR models in 2-D. From field data, the inversion efficiently resolves basement topography and two distinct salt diapirs with a parsimonious and data-driven parametrization. Results show a considerable reduction in 2-D spatial correlations of field data using the proposed trans-D AR model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».